Análisis de modelos SOM - Frecuencia datos de entrada: mes

Modelo

• ID: 281
• Descripción:
• Frecuencia: mes
• Variables: fecha_cnt, precip, longitud, latitud, altitud
• Dimensiones del mapa: 5,5
• Iteraciones: 1000
• Parámetros adicionales:

source("../../lib/som-utils.R")

Attaching package: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

source("../../lib/maps-utils.R")

Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1

Carga del modelo desde disco

mpr.set_base_path_analysis()
model <- mpr.load_model("som-281.rds.xz")
summary(model)

SOM of size 5x5 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.8.

plot(model, type="changes")

Carga del dataset de entrada

df <- mpr.load_data("datos_mes.csv.xz")

df

summary(df)

 id_estacion           fecha             fecha_cnt           tmax      
 Length:94881       Length:94881       Min.   : 1.000   Min.   :-53.0  
 Class :character   Class :character   1st Qu.: 4.000   1st Qu.:148.0  
 Mode  :character   Mode  :character   Median : 6.000   Median :198.0  
                                       Mean   : 6.497   Mean   :200.2  
                                       3rd Qu.: 9.000   3rd Qu.:255.0  
                                       Max.   :12.000   Max.   :403.0  
      tmin             precip           nevada           prof_nieve      
 Min.   :-121.00   Min.   :  0.00   Min.   :0.000000   Min.   :   0.000  
 1st Qu.:  53.00   1st Qu.:  3.00   1st Qu.:0.000000   1st Qu.:   0.000  
 Median :  98.00   Median : 10.00   Median :0.000000   Median :   0.000  
 Mean   :  98.86   Mean   : 16.25   Mean   :0.000295   Mean   :   0.467  
 3rd Qu.: 148.00   3rd Qu.: 22.00   3rd Qu.:0.000000   3rd Qu.:   0.000  
 Max.   : 254.00   Max.   :422.00   Max.   :6.000000   Max.   :1834.000  
    longitud        latitud            altitud      
 Min.   :27.82   Min.   :-17.8889   Min.   :   1.0  
 1st Qu.:38.28   1st Qu.: -5.6417   1st Qu.:  42.0  
 Median :40.82   Median : -3.4500   Median : 247.0  
 Mean   :39.66   Mean   : -3.4350   Mean   : 418.5  
 3rd Qu.:42.08   3rd Qu.:  0.4914   3rd Qu.: 656.0  
 Max.   :43.57   Max.   :  4.2156   Max.   :2535.0  

Carga de los mapas

world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")

Mapa de densidad

plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)

Número de elementos en cada celda:

nb <- table(model$unit.classif)
print(nb)

   1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16 
1924 2161 6275 3233 2712 3655 3132 5295 3476 2453 4040 3500 4674 7147 6816 1189 
  17   18   19   20   21   22   23   24   25 
4835 5763 2619 3951 5678 2927 5749 1306  371 

Comprobación de nodos vacíos:

dim_model <- 5*5;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
  print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}

Mapa de distancia entre vecinos

plot(model, type="dist.neighbours", shape = "straight")

Influencia de las variables

model_colnames = c("fecha_cnt", "precip", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)

Mapa de variables.

plot(model, shape = "straight")

Mapa de calor por variable

par(mfrow=c(3,4))
for (j in 1:model_ncol) {
  plot(model, type="property", property=getCodes(model,1)[,j],
    palette.name=mpr.coolBlueHotRed,
    main=model_colnames[j],
    cex=0.5, shape = "straight")
}

Correlación para cada columna del vector de nodos

if (!empty_nodes) {
  cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
  print(cor)
}

     fecha_cnt      precip   longitud    latitud    altitud
[1,] 0.5129759  0.08760302  0.5113091  0.3362873  0.4104709
[2,] 0.5276063 -0.19026077 -0.5303532 -0.2888426 -0.4612168

Representación de cada variable en un mapa de factores:

if (!empty_nodes) {
  par(mfrow=c(1,1))
  plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
  lines(c(-1,1),c(0,0))
  lines(c(0,0),c(-1,1))
  text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
  symbols(0,0,circles=1,inches=F,add=T)
}

Importancia de cada variable - varianza ponderada por el tamaño de la celda:

if (!empty_nodes) {
  sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
     {m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
     effectif=nb))
  print(sort(sigma2,decreasing=T))
}

 longitud   altitud   latitud fecha_cnt    precip 
0.9523015 0.9407964 0.9330296 0.8852980 0.8775608 

Clustering

if (!empty_nodes) {
  hac <- mpr.hac(model, nb)
}

Visualización de 3 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=3)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=3)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   :-42.0   Min.   :-102.0   Min.   : 24.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:129.0   1st Qu.:  60.0   1st Qu.: 48.00   1st Qu.:0  
 Median :10.000   Median :153.0   Median :  82.0   Median : 60.00   Median :0  
 Mean   : 7.807   Mean   :159.7   Mean   :  86.6   Mean   : 66.77   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:188.0   3rd Qu.: 112.0   3rd Qu.: 78.00   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   : 223.0   Max.   :422.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud    
 Min.   :  0.0000   Min.   :27.82   Min.   :-17.889   Min.   :   1  
 1st Qu.:  0.0000   1st Qu.:42.24   1st Qu.: -8.372   1st Qu.:  34  
 Median :  0.0000   Median :43.12   Median : -5.642   Median :  98  
 Mean   :  0.5319   Mean   :42.11   Mean   : -5.103   Mean   : 197  
 3rd Qu.:  0.0000   3rd Qu.:43.37   3rd Qu.: -2.906   3rd Qu.: 261  
 Max.   :892.0000   Max.   :43.57   Max.   :  4.216   Max.   :2535  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt         tmax            tmin             precip     
 Min.   : 1.0   Min.   :-53.0   Min.   :-121.00   Min.   :  0.0  
 1st Qu.: 4.0   1st Qu.:149.0   1st Qu.:  49.00   1st Qu.:  3.0  
 Median : 6.0   Median :198.0   Median :  94.00   Median : 10.0  
 Mean   : 6.4   Mean   :201.7   Mean   :  95.42   Mean   : 13.3  
 3rd Qu.: 9.0   3rd Qu.:260.0   3rd Qu.: 144.00   3rd Qu.: 20.0  
 Max.   :12.0   Max.   :403.0   Max.   : 254.00   Max.   :118.0  
     nevada           prof_nieve           longitud        latitud       
 Min.   :0.000000   Min.   :   0.0000   Min.   :35.28   Min.   :-8.6494  
 1st Qu.:0.000000   1st Qu.:   0.0000   1st Qu.:38.95   1st Qu.:-4.7667  
 Median :0.000000   Median :   0.0000   Median :40.93   Median :-2.3567  
 Mean   :0.000342   Mean   :   0.4987   Mean   :40.43   Mean   :-2.2550  
 3rd Qu.:0.000000   3rd Qu.:   0.0000   3rd Qu.:41.98   3rd Qu.: 0.5706  
 Max.   :6.000000   Max.   :1834.0000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 263.0  
 Mean   : 426.5  
 3rd Qu.: 674.0  
 Max.   :2535.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 6.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.502   Mean   :217.4   Mean   :150.6   Mean   :  6.899   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.50   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03087   Mean   :28.36   Mean   :-16.05   Mean   : 518.7  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

Visualización de 4 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=4)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=4)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 23.0   Min.   :-42.00   Min.   : 24.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:130.0   1st Qu.: 61.00   1st Qu.: 47.00   1st Qu.:0  
 Median :10.000   Median :154.0   Median : 83.00   Median : 58.00   Median :0  
 Mean   : 7.854   Mean   :161.2   Mean   : 87.58   Mean   : 61.42   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:190.0   3rd Qu.:113.00   3rd Qu.: 74.00   3rd Qu.:0  
 Max.   :12.000   Max.   :336.0   Max.   :219.00   Max.   :127.00   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :28.48   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.0000   1st Qu.:42.24   1st Qu.: -8.372   1st Qu.:  34.0  
 Median : 0.0000   Median :43.30   Median : -5.642   Median :  98.0  
 Mean   : 0.1172   Mean   :42.16   Mean   : -5.032   Mean   : 178.9  
 3rd Qu.: 0.0000   3rd Qu.:43.37   3rd Qu.: -2.906   3rd Qu.: 261.0  
 Max.   :58.0000   Max.   :43.57   Max.   :  4.216   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt         tmax            tmin             precip     
 Min.   : 1.0   Min.   :-53.0   Min.   :-121.00   Min.   :  0.0  
 1st Qu.: 4.0   1st Qu.:149.0   1st Qu.:  49.00   1st Qu.:  3.0  
 Median : 6.0   Median :198.0   Median :  94.00   Median : 10.0  
 Mean   : 6.4   Mean   :201.7   Mean   :  95.42   Mean   : 13.3  
 3rd Qu.: 9.0   3rd Qu.:260.0   3rd Qu.: 144.00   3rd Qu.: 20.0  
 Max.   :12.0   Max.   :403.0   Max.   : 254.00   Max.   :118.0  
     nevada           prof_nieve           longitud        latitud       
 Min.   :0.000000   Min.   :   0.0000   Min.   :35.28   Min.   :-8.6494  
 1st Qu.:0.000000   1st Qu.:   0.0000   1st Qu.:38.95   1st Qu.:-4.7667  
 Median :0.000000   Median :   0.0000   Median :40.93   Median :-2.3567  
 Mean   :0.000342   Mean   :   0.4987   Mean   :40.43   Mean   :-2.2550  
 3rd Qu.:0.000000   3rd Qu.:   0.0000   3rd Qu.:41.98   3rd Qu.: 0.5706  
 Max.   :6.000000   Max.   :1834.0000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 263.0  
 Mean   : 426.5  
 3rd Qu.: 674.0  
 Max.   :2535.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 6.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.502   Mean   :217.4   Mean   :150.6   Mean   :  6.899   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.50   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03087   Mean   :28.36   Mean   :-16.05   Mean   : 518.7  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin             precip          nevada 
 Min.   : 1.000   Min.   :-42.0   Min.   :-102.00   Min.   :102.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:112.0   1st Qu.:  48.00   1st Qu.:125.0   1st Qu.:0  
 Median :10.000   Median :133.0   Median :  71.00   Median :136.0   Median :0  
 Mean   : 7.084   Mean   :136.2   Mean   :  71.58   Mean   :148.9   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:159.5   3rd Qu.:  96.00   3rd Qu.:158.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   : 223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud    
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1  
 1st Qu.:  0.000   1st Qu.:41.48   1st Qu.: -8.624   1st Qu.:  87  
 Median :  0.000   Median :42.38   Median : -8.411   Median : 261  
 Mean   :  6.884   Mean   :41.32   Mean   : -6.189   Mean   : 475  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -3.825   3rd Qu.: 370  
 Max.   :892.000   Max.   :43.57   Max.   :  2.827   Max.   :2535  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

Visualización de 5 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=5)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=5)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 23.0   Min.   :-42.00   Min.   : 24.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:130.0   1st Qu.: 61.00   1st Qu.: 47.00   1st Qu.:0  
 Median :10.000   Median :154.0   Median : 83.00   Median : 58.00   Median :0  
 Mean   : 7.854   Mean   :161.2   Mean   : 87.58   Mean   : 61.42   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:190.0   3rd Qu.:113.00   3rd Qu.: 74.00   3rd Qu.:0  
 Max.   :12.000   Max.   :336.0   Max.   :219.00   Max.   :127.00   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :28.48   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.0000   1st Qu.:42.24   1st Qu.: -8.372   1st Qu.:  34.0  
 Median : 0.0000   Median :43.30   Median : -5.642   Median :  98.0  
 Mean   : 0.1172   Mean   :42.16   Mean   : -5.032   Mean   : 178.9  
 3rd Qu.: 0.0000   3rd Qu.:43.37   3rd Qu.: -2.906   3rd Qu.: 261.0  
 Max.   :58.0000   Max.   :43.57   Max.   :  4.216   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax          tmin           precip     
 Min.   : 1.000   Min.   : -4   Min.   :-89.0   Min.   : 0.00  
 1st Qu.: 2.000   1st Qu.:137   1st Qu.: 34.0   1st Qu.: 6.00  
 Median : 3.000   Median :168   Median : 67.0   Median :13.00  
 Mean   : 3.543   Mean   :169   Mean   : 67.9   Mean   :15.62  
 3rd Qu.: 5.000   3rd Qu.:202   3rd Qu.:101.0   3rd Qu.:23.00  
 Max.   :12.000   Max.   :340   Max.   :202.0   Max.   :66.00  
     nevada           prof_nieve           longitud        latitud       
 Min.   :0.000000   Min.   :  0.00000   Min.   :35.28   Min.   :-8.6494  
 1st Qu.:0.000000   1st Qu.:  0.00000   1st Qu.:39.49   1st Qu.:-5.6417  
 Median :0.000000   Median :  0.00000   Median :41.38   Median :-3.1742  
 Mean   :0.000535   Mean   :  0.08683   Mean   :40.85   Mean   :-2.7953  
 3rd Qu.:0.000000   3rd Qu.:  0.00000   3rd Qu.:42.44   3rd Qu.: 0.4731  
 Max.   :6.000000   Max.   :117.00000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 200.0  
 Mean   : 356.6  
 3rd Qu.: 628.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt          tmax            tmin            precip      
 Min.   : 1.00   Min.   :-53.0   Min.   :-121.0   Min.   :  0.00  
 1st Qu.: 7.00   1st Qu.:172.0   1st Qu.:  73.0   1st Qu.:  2.00  
 Median : 9.00   Median :243.0   Median : 125.0   Median :  7.00  
 Mean   : 8.58   Mean   :226.7   Mean   : 116.4   Mean   : 11.53  
 3rd Qu.:11.00   3rd Qu.:288.0   3rd Qu.: 167.0   3rd Qu.: 16.50  
 Max.   :12.00   Max.   :403.0   Max.   : 254.0   Max.   :118.00  
     nevada            prof_nieve           longitud        latitud       
 Min.   :0.0000000   Min.   :   0.0000   Min.   :35.28   Min.   :-7.4558  
 1st Qu.:0.0000000   1st Qu.:   0.0000   1st Qu.:38.37   1st Qu.:-4.0492  
 Median :0.0000000   Median :   0.0000   Median :40.70   Median :-1.8631  
 Mean   :0.0001937   Mean   :   0.8132   Mean   :40.11   Mean   :-1.8424  
 3rd Qu.:0.0000000   3rd Qu.:   0.0000   3rd Qu.:41.66   3rd Qu.: 0.7106  
 Max.   :3.0000000   Max.   :1834.0000   Max.   :43.36   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 353.0  
 Mean   : 479.9  
 3rd Qu.: 704.0  
 Max.   :2535.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 6.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.502   Mean   :217.4   Mean   :150.6   Mean   :  6.899   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.50   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03087   Mean   :28.36   Mean   :-16.05   Mean   : 518.7  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin             precip          nevada 
 Min.   : 1.000   Min.   :-42.0   Min.   :-102.00   Min.   :102.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:112.0   1st Qu.:  48.00   1st Qu.:125.0   1st Qu.:0  
 Median :10.000   Median :133.0   Median :  71.00   Median :136.0   Median :0  
 Mean   : 7.084   Mean   :136.2   Mean   :  71.58   Mean   :148.9   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:159.5   3rd Qu.:  96.00   3rd Qu.:158.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   : 223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud    
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1  
 1st Qu.:  0.000   1st Qu.:41.48   1st Qu.: -8.624   1st Qu.:  87  
 Median :  0.000   Median :42.38   Median : -8.411   Median : 261  
 Mean   :  6.884   Mean   :41.32   Mean   : -6.189   Mean   : 475  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -3.825   3rd Qu.: 370  
 Max.   :892.000   Max.   :43.57   Max.   :  2.827   Max.   :2535  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

Visualización de 6 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=6)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=6)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 23.0   Min.   :-42.00   Min.   : 24.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:130.0   1st Qu.: 61.00   1st Qu.: 47.00   1st Qu.:0  
 Median :10.000   Median :154.0   Median : 83.00   Median : 58.00   Median :0  
 Mean   : 7.854   Mean   :161.2   Mean   : 87.58   Mean   : 61.42   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:190.0   3rd Qu.:113.00   3rd Qu.: 74.00   3rd Qu.:0  
 Max.   :12.000   Max.   :336.0   Max.   :219.00   Max.   :127.00   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :28.48   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.0000   1st Qu.:42.24   1st Qu.: -8.372   1st Qu.:  34.0  
 Median : 0.0000   Median :43.30   Median : -5.642   Median :  98.0  
 Mean   : 0.1172   Mean   :42.16   Mean   : -5.032   Mean   : 178.9  
 3rd Qu.: 0.0000   3rd Qu.:43.37   3rd Qu.: -2.906   3rd Qu.: 261.0  
 Max.   :58.0000   Max.   :43.57   Max.   :  4.216   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax          tmin           precip     
 Min.   : 1.000   Min.   : -4   Min.   :-89.0   Min.   : 0.00  
 1st Qu.: 2.000   1st Qu.:137   1st Qu.: 34.0   1st Qu.: 6.00  
 Median : 3.000   Median :168   Median : 67.0   Median :13.00  
 Mean   : 3.543   Mean   :169   Mean   : 67.9   Mean   :15.62  
 3rd Qu.: 5.000   3rd Qu.:202   3rd Qu.:101.0   3rd Qu.:23.00  
 Max.   :12.000   Max.   :340   Max.   :202.0   Max.   :66.00  
     nevada           prof_nieve           longitud        latitud       
 Min.   :0.000000   Min.   :  0.00000   Min.   :35.28   Min.   :-8.6494  
 1st Qu.:0.000000   1st Qu.:  0.00000   1st Qu.:39.49   1st Qu.:-5.6417  
 Median :0.000000   Median :  0.00000   Median :41.38   Median :-3.1742  
 Mean   :0.000535   Mean   :  0.08683   Mean   :40.85   Mean   :-2.7953  
 3rd Qu.:0.000000   3rd Qu.:  0.00000   3rd Qu.:42.44   3rd Qu.: 0.4731  
 Max.   :6.000000   Max.   :117.00000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 200.0  
 Mean   : 356.6  
 3rd Qu.: 628.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin            precip     
 Min.   : 4.000   Min.   :  8.0   Min.   :-110.0   Min.   : 0.00  
 1st Qu.: 7.000   1st Qu.:184.0   1st Qu.:  81.0   1st Qu.: 1.00  
 Median : 9.000   Median :249.0   Median : 130.0   Median : 7.00  
 Mean   : 8.707   Mean   :235.3   Mean   : 122.6   Mean   :10.18  
 3rd Qu.:11.000   3rd Qu.:290.0   3rd Qu.: 169.0   3rd Qu.:15.00  
 Max.   :12.000   Max.   :403.0   Max.   : 254.0   Max.   :67.00  
     nevada            prof_nieve          longitud        latitud       
 Min.   :0.0000000   Min.   : 0.00000   Min.   :35.28   Min.   :-7.4558  
 1st Qu.:0.0000000   1st Qu.: 0.00000   1st Qu.:38.28   1st Qu.:-4.1269  
 Median :0.0000000   Median : 0.00000   Median :40.48   Median :-1.8853  
 Mean   :0.0002057   Mean   : 0.02134   Mean   :39.99   Mean   :-1.9384  
 3rd Qu.:0.0000000   3rd Qu.: 0.00000   3rd Qu.:41.62   3rd Qu.: 0.5933  
 Max.   :3.0000000   Max.   :77.00000   Max.   :43.36   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 263.0  
 Mean   : 377.7  
 3rd Qu.: 667.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 30.00   1st Qu.: -31.00   1st Qu.: 17.00  
 Median : 7.000   Median : 80.00   Median :  13.00   Median : 30.00  
 Mean   : 6.539   Mean   : 88.06   Mean   :  16.92   Mean   : 33.22  
 3rd Qu.: 9.000   3rd Qu.:143.00   3rd Qu.:  67.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :263.00   Max.   : 163.00   Max.   :118.00  
     nevada    prof_nieve         longitud        latitud           altitud    
 Min.   :0   Min.   :   0.00   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.00   Median :42.38   Median : 0.8842   Median :2228  
 Mean   :0   Mean   :  13.59   Mean   :41.94   Mean   :-0.2937   Mean   :2130  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 6.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.502   Mean   :217.4   Mean   :150.6   Mean   :  6.899   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.50   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03087   Mean   :28.36   Mean   :-16.05   Mean   : 518.7  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax            tmin             precip          nevada 
 Min.   : 1.000   Min.   :-42.0   Min.   :-102.00   Min.   :102.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:112.0   1st Qu.:  48.00   1st Qu.:125.0   1st Qu.:0  
 Median :10.000   Median :133.0   Median :  71.00   Median :136.0   Median :0  
 Mean   : 7.084   Mean   :136.2   Mean   :  71.58   Mean   :148.9   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:159.5   3rd Qu.:  96.00   3rd Qu.:158.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   : 223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud    
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1  
 1st Qu.:  0.000   1st Qu.:41.48   1st Qu.: -8.624   1st Qu.:  87  
 Median :  0.000   Median :42.38   Median : -8.411   Median : 261  
 Mean   :  6.884   Mean   :41.32   Mean   : -6.189   Mean   : 475  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -3.825   3rd Qu.: 370  
 Max.   :892.000   Max.   :43.57   Max.   :  2.827   Max.   :2535  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

Visualización de 8 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=8)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=8)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 23.0   Min.   :-42.00   Min.   : 24.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:130.0   1st Qu.: 61.00   1st Qu.: 47.00   1st Qu.:0  
 Median :10.000   Median :154.0   Median : 83.00   Median : 58.00   Median :0  
 Mean   : 7.854   Mean   :161.2   Mean   : 87.58   Mean   : 61.42   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:190.0   3rd Qu.:113.00   3rd Qu.: 74.00   3rd Qu.:0  
 Max.   :12.000   Max.   :336.0   Max.   :219.00   Max.   :127.00   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :28.48   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.0000   1st Qu.:42.24   1st Qu.: -8.372   1st Qu.:  34.0  
 Median : 0.0000   Median :43.30   Median : -5.642   Median :  98.0  
 Mean   : 0.1172   Mean   :42.16   Mean   : -5.032   Mean   : 178.9  
 3rd Qu.: 0.0000   3rd Qu.:43.37   3rd Qu.: -2.906   3rd Qu.: 261.0  
 Max.   :58.0000   Max.   :43.57   Max.   :  4.216   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt          tmax            tmin            precip  
 Min.   :1.000   Min.   : -4.0   Min.   :-89.00   Min.   : 0  
 1st Qu.:2.000   1st Qu.:131.0   1st Qu.: 27.00   1st Qu.: 5  
 Median :3.000   Median :164.0   Median : 57.00   Median :12  
 Mean   :2.909   Mean   :162.4   Mean   : 57.51   Mean   :15  
 3rd Qu.:4.000   3rd Qu.:193.0   3rd Qu.: 88.00   3rd Qu.:22  
 Max.   :9.000   Max.   :334.0   Max.   :194.00   Max.   :66  
     nevada           prof_nieve           longitud        latitud      
 Min.   :0.000000   Min.   :  0.00000   Min.   :35.28   Min.   :-7.456  
 1st Qu.:0.000000   1st Qu.:  0.00000   1st Qu.:38.88   1st Qu.:-4.049  
 Median :0.000000   Median :  0.00000   Median :40.82   Median :-1.863  
 Mean   :0.000682   Mean   :  0.09882   Mean   :40.22   Mean   :-1.823  
 3rd Qu.:0.000000   3rd Qu.:  0.00000   3rd Qu.:41.68   3rd Qu.: 0.635  
 Max.   :6.000000   Max.   :117.00000   Max.   :43.49   Max.   : 4.216  
    altitud      
 Min.   :   1.0  
 1st Qu.:  47.0  
 Median : 353.0  
 Mean   : 412.7  
 3rd Qu.: 690.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin            precip     
 Min.   : 4.000   Min.   :  8.0   Min.   :-110.0   Min.   : 0.00  
 1st Qu.: 7.000   1st Qu.:184.0   1st Qu.:  81.0   1st Qu.: 1.00  
 Median : 9.000   Median :249.0   Median : 130.0   Median : 7.00  
 Mean   : 8.707   Mean   :235.3   Mean   : 122.6   Mean   :10.18  
 3rd Qu.:11.000   3rd Qu.:290.0   3rd Qu.: 169.0   3rd Qu.:15.00  
 Max.   :12.000   Max.   :403.0   Max.   : 254.0   Max.   :67.00  
     nevada            prof_nieve          longitud        latitud       
 Min.   :0.0000000   Min.   : 0.00000   Min.   :35.28   Min.   :-7.4558  
 1st Qu.:0.0000000   1st Qu.: 0.00000   1st Qu.:38.28   1st Qu.:-4.1269  
 Median :0.0000000   Median : 0.00000   Median :40.48   Median :-1.8853  
 Mean   :0.0002057   Mean   : 0.02134   Mean   :39.99   Mean   :-1.9384  
 3rd Qu.:0.0000000   3rd Qu.: 0.00000   3rd Qu.:41.62   3rd Qu.: 0.5933  
 Max.   :3.0000000   Max.   :77.00000   Max.   :43.36   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 263.0  
 Mean   : 377.7  
 3rd Qu.: 667.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 30.00   1st Qu.: -31.00   1st Qu.: 17.00  
 Median : 7.000   Median : 80.00   Median :  13.00   Median : 30.00  
 Mean   : 6.539   Mean   : 88.06   Mean   :  16.92   Mean   : 33.22  
 3rd Qu.: 9.000   3rd Qu.:143.00   3rd Qu.:  67.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :263.00   Max.   : 163.00   Max.   :118.00  
     nevada    prof_nieve         longitud        latitud           altitud    
 Min.   :0   Min.   :   0.00   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.00   Median :42.38   Median : 0.8842   Median :2228  
 Mean   :0   Mean   :  13.59   Mean   :41.94   Mean   :-0.2937   Mean   :2130  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin         precip         nevada 
 Min.   : 1.000   Min.   : 58.0   Min.   :-28   Min.   : 0.0   Min.   :0  
 1st Qu.: 4.000   1st Qu.:155.0   1st Qu.: 74   1st Qu.: 9.0   1st Qu.:0  
 Median : 6.000   Median :197.0   Median :109   Median :17.0   Median :0  
 Mean   : 5.867   Mean   :193.5   Mean   :106   Mean   :17.9   Mean   :0  
 3rd Qu.: 8.000   3rd Qu.:228.0   3rd Qu.:141   3rd Qu.:25.0   3rd Qu.:0  
 Max.   :12.000   Max.   :340.0   Max.   :202   Max.   :47.0   Max.   :0  
   prof_nieve          longitud        latitud          altitud     
 Min.   : 0.00000   Min.   :39.47   Min.   :-8.649   Min.   :  4.0  
 1st Qu.: 0.00000   1st Qu.:42.89   1st Qu.:-8.411   1st Qu.: 42.0  
 Median : 0.00000   Median :43.35   Median :-6.600   Median : 64.0  
 Mean   : 0.04286   Mean   :43.14   Mean   :-6.361   Mean   :150.8  
 3rd Qu.: 0.00000   3rd Qu.:43.46   3rd Qu.:-3.831   3rd Qu.:261.0  
 Max.   :40.00000   Max.   :43.57   Max.   :-1.787   Max.   :534.0  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.00   Min.   :  0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.: 94.0   1st Qu.: 23.00   1st Qu.:  0.00   1st Qu.:0  
 Median : 7.000   Median :129.0   Median : 51.00   Median :  3.00   Median :0  
 Mean   : 6.585   Mean   :138.4   Mean   : 60.83   Mean   : 10.29   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:183.0   3rd Qu.: 98.00   3rd Qu.: 13.00   3rd Qu.:0  
 Max.   :12.000   Max.   :253.0   Max.   :159.00   Max.   :114.00   Max.   :0  
   prof_nieve         longitud        latitud         altitud    
 Min.   : 0.0000   Min.   :28.31   Min.   :-16.5   Min.   :2371  
 1st Qu.: 0.0000   1st Qu.:28.31   1st Qu.:-16.5   1st Qu.:2371  
 Median : 0.0000   Median :28.31   Median :-16.5   Median :2371  
 Mean   : 0.1766   Mean   :28.31   Mean   :-16.5   Mean   :2371  
 3rd Qu.: 0.0000   3rd Qu.:28.31   3rd Qu.:-16.5   3rd Qu.:2371  
 Max.   :46.0000   Max.   :28.31   Max.   :-16.5   Max.   :2371  

if (!empty_nodes) summary(df.cluster07)

   fecha_cnt           tmax          tmin           precip           nevada 
 Min.   : 1.000   Min.   : 87   Min.   : 64.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 3.000   1st Qu.:212   1st Qu.:150.0   1st Qu.: 0.000   1st Qu.:0  
 Median : 6.000   Median :233   Median :168.0   Median : 1.000   Median :0  
 Mean   : 6.484   Mean   :234   Mean   :169.4   Mean   : 6.189   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:259   3rd Qu.:196.0   3rd Qu.: 7.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356   Max.   :244.0   Max.   :89.000   Max.   :0  
   prof_nieve           longitud        latitud          altitud     
 Min.   :0.0000000   Min.   :27.82   Min.   :-17.89   Min.   : 14.0  
 1st Qu.:0.0000000   1st Qu.:28.05   1st Qu.:-16.56   1st Qu.: 25.0  
 Median :0.0000000   Median :28.46   Median :-16.26   Median : 33.0  
 Mean   :0.0003522   Mean   :28.38   Mean   :-15.95   Mean   :130.8  
 3rd Qu.:0.0000000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 64.0  
 Max.   :2.0000000   Max.   :28.95   Max.   :-13.60   Max.   :632.0  

if (!empty_nodes) summary(df.cluster08)

   fecha_cnt           tmax            tmin             precip          nevada 
 Min.   : 1.000   Min.   :-42.0   Min.   :-102.00   Min.   :102.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:112.0   1st Qu.:  48.00   1st Qu.:125.0   1st Qu.:0  
 Median :10.000   Median :133.0   Median :  71.00   Median :136.0   Median :0  
 Mean   : 7.084   Mean   :136.2   Mean   :  71.58   Mean   :148.9   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:159.5   3rd Qu.:  96.00   3rd Qu.:158.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   : 223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud    
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1  
 1st Qu.:  0.000   1st Qu.:41.48   1st Qu.: -8.624   1st Qu.:  87  
 Median :  0.000   Median :42.38   Median : -8.411   Median : 261  
 Mean   :  6.884   Mean   :41.32   Mean   : -6.189   Mean   : 475  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -3.825   3rd Qu.: 370  
 Max.   :892.000   Max.   :43.57   Max.   :  2.827   Max.   :2535  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.hist(df.cluster07)

if (!empty_nodes) mpr.hist(df.cluster08)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster07)

if (!empty_nodes) mpr.boxplot(df.cluster08)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

Visualización de 10 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=10)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=10)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)
  df.cluster09 <- subset(df, cluster==9)
  df.cluster10 <- subset(df, cluster==10)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt          tmax            tmin            precip           nevada 
 Min.   :1.000   Min.   : 38.0   Min.   :-42.00   Min.   : 44.00   Min.   :0  
 1st Qu.:1.000   1st Qu.:121.8   1st Qu.: 50.75   1st Qu.: 54.00   1st Qu.:0  
 Median :2.000   Median :141.0   Median : 68.00   Median : 63.00   Median :0  
 Mean   :2.604   Mean   :142.4   Mean   : 68.71   Mean   : 66.51   Mean   :0  
 3rd Qu.:4.000   3rd Qu.:161.0   3rd Qu.: 86.00   3rd Qu.: 75.00   3rd Qu.:0  
 Max.   :7.000   Max.   :278.0   Max.   :180.00   Max.   :115.00   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :28.48   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.0000   1st Qu.:42.24   1st Qu.: -8.411   1st Qu.:  34.0  
 Median : 0.0000   Median :42.89   Median : -5.616   Median :  98.0  
 Mean   : 0.1097   Mean   :42.09   Mean   : -5.053   Mean   : 180.3  
 3rd Qu.: 0.0000   3rd Qu.:43.36   3rd Qu.: -2.906   3rd Qu.: 261.0  
 Max.   :35.0000   Max.   :43.57   Max.   :  3.182   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt          tmax            tmin            precip  
 Min.   :1.000   Min.   : -4.0   Min.   :-89.00   Min.   : 0  
 1st Qu.:2.000   1st Qu.:131.0   1st Qu.: 27.00   1st Qu.: 5  
 Median :3.000   Median :164.0   Median : 57.00   Median :12  
 Mean   :2.909   Mean   :162.4   Mean   : 57.51   Mean   :15  
 3rd Qu.:4.000   3rd Qu.:193.0   3rd Qu.: 88.00   3rd Qu.:22  
 Max.   :9.000   Max.   :334.0   Max.   :194.00   Max.   :66  
     nevada           prof_nieve           longitud        latitud      
 Min.   :0.000000   Min.   :  0.00000   Min.   :35.28   Min.   :-7.456  
 1st Qu.:0.000000   1st Qu.:  0.00000   1st Qu.:38.88   1st Qu.:-4.049  
 Median :0.000000   Median :  0.00000   Median :40.82   Median :-1.863  
 Mean   :0.000682   Mean   :  0.09882   Mean   :40.22   Mean   :-1.823  
 3rd Qu.:0.000000   3rd Qu.:  0.00000   3rd Qu.:41.68   3rd Qu.: 0.635  
 Max.   :6.000000   Max.   :117.00000   Max.   :43.49   Max.   : 4.216  
    altitud      
 Min.   :   1.0  
 1st Qu.:  47.0  
 Median : 353.0  
 Mean   : 412.7  
 3rd Qu.: 690.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin            precip     
 Min.   : 4.000   Min.   :  8.0   Min.   :-110.0   Min.   : 0.00  
 1st Qu.: 7.000   1st Qu.:177.0   1st Qu.:  73.0   1st Qu.: 2.00  
 Median : 9.000   Median :246.0   Median : 123.0   Median : 7.00  
 Mean   : 8.734   Mean   :230.8   Mean   : 116.3   Mean   :10.71  
 3rd Qu.:11.000   3rd Qu.:288.0   3rd Qu.: 163.0   3rd Qu.:15.00  
 Max.   :12.000   Max.   :400.0   Max.   : 254.0   Max.   :67.00  
     nevada          prof_nieve          longitud        latitud       
 Min.   :0.00000   Min.   : 0.00000   Min.   :36.85   Min.   :-7.4558  
 1st Qu.:0.00000   1st Qu.: 0.00000   1st Qu.:39.85   1st Qu.:-3.6781  
 Median :0.00000   Median : 0.00000   Median :40.95   Median :-1.1692  
 Mean   :0.00025   Mean   : 0.02361   Mean   :40.66   Mean   :-1.2056  
 3rd Qu.:0.00000   3rd Qu.: 0.00000   3rd Qu.:41.67   3rd Qu.: 0.8031  
 Max.   :3.00000   Max.   :77.00000   Max.   :43.36   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  72.0  
 Median : 459.0  
 Mean   : 444.5  
 3rd Qu.: 704.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 30.00   1st Qu.: -31.00   1st Qu.: 17.00  
 Median : 7.000   Median : 80.00   Median :  13.00   Median : 30.00  
 Mean   : 6.539   Mean   : 88.06   Mean   :  16.92   Mean   : 33.22  
 3rd Qu.: 9.000   3rd Qu.:143.00   3rd Qu.:  67.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :263.00   Max.   : 163.00   Max.   :118.00  
     nevada    prof_nieve         longitud        latitud           altitud    
 Min.   :0   Min.   :   0.00   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.00   Median :42.38   Median : 0.8842   Median :2228  
 Mean   :0   Mean   :  13.59   Mean   :41.94   Mean   :-0.2937   Mean   :2130  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin         precip         nevada 
 Min.   : 1.000   Min.   : 58.0   Min.   :-28   Min.   : 0.0   Min.   :0  
 1st Qu.: 4.000   1st Qu.:155.0   1st Qu.: 74   1st Qu.: 9.0   1st Qu.:0  
 Median : 6.000   Median :197.0   Median :109   Median :17.0   Median :0  
 Mean   : 5.867   Mean   :193.5   Mean   :106   Mean   :17.9   Mean   :0  
 3rd Qu.: 8.000   3rd Qu.:228.0   3rd Qu.:141   3rd Qu.:25.0   3rd Qu.:0  
 Max.   :12.000   Max.   :340.0   Max.   :202   Max.   :47.0   Max.   :0  
   prof_nieve          longitud        latitud          altitud     
 Min.   : 0.00000   Min.   :39.47   Min.   :-8.649   Min.   :  4.0  
 1st Qu.: 0.00000   1st Qu.:42.89   1st Qu.:-8.411   1st Qu.: 42.0  
 Median : 0.00000   Median :43.35   Median :-6.600   Median : 64.0  
 Mean   : 0.04286   Mean   :43.14   Mean   :-6.361   Mean   :150.8  
 3rd Qu.: 0.00000   3rd Qu.:43.46   3rd Qu.:-3.831   3rd Qu.:261.0  
 Max.   :40.00000   Max.   :43.57   Max.   :-1.787   Max.   :534.0  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt          tmax            tmin            precip           nevada 
 Min.   : 5.00   Min.   : 23.0   Min.   :-29.00   Min.   : 24.00   Min.   :0  
 1st Qu.:10.00   1st Qu.:138.0   1st Qu.: 69.00   1st Qu.: 42.00   1st Qu.:0  
 Median :11.00   Median :167.0   Median : 95.00   Median : 54.00   Median :0  
 Mean   :10.54   Mean   :170.9   Mean   : 97.24   Mean   : 58.81   Mean   :0  
 3rd Qu.:12.00   3rd Qu.:204.0   3rd Qu.:126.00   3rd Qu.: 73.00   3rd Qu.:0  
 Max.   :12.00   Max.   :336.0   Max.   :219.00   Max.   :127.00   Max.   :0  
   prof_nieve        longitud        latitud           altitud      
 Min.   : 0.000   Min.   :28.48   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.000   1st Qu.:42.33   1st Qu.: -7.860   1st Qu.:  34.0  
 Median : 0.000   Median :43.30   Median : -5.642   Median :  91.1  
 Mean   : 0.121   Mean   :42.20   Mean   : -5.022   Mean   : 178.1  
 3rd Qu.: 0.000   3rd Qu.:43.37   3rd Qu.: -2.906   3rd Qu.: 261.0  
 Max.   :58.000   Max.   :43.57   Max.   :  4.216   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster07)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.00   Min.   :  0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.: 94.0   1st Qu.: 23.00   1st Qu.:  0.00   1st Qu.:0  
 Median : 7.000   Median :129.0   Median : 51.00   Median :  3.00   Median :0  
 Mean   : 6.585   Mean   :138.4   Mean   : 60.83   Mean   : 10.29   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:183.0   3rd Qu.: 98.00   3rd Qu.: 13.00   3rd Qu.:0  
 Max.   :12.000   Max.   :253.0   Max.   :159.00   Max.   :114.00   Max.   :0  
   prof_nieve         longitud        latitud         altitud    
 Min.   : 0.0000   Min.   :28.31   Min.   :-16.5   Min.   :2371  
 1st Qu.: 0.0000   1st Qu.:28.31   1st Qu.:-16.5   1st Qu.:2371  
 Median : 0.0000   Median :28.31   Median :-16.5   Median :2371  
 Mean   : 0.1766   Mean   :28.31   Mean   :-16.5   Mean   :2371  
 3rd Qu.: 0.0000   3rd Qu.:28.31   3rd Qu.:-16.5   3rd Qu.:2371  
 Max.   :46.0000   Max.   :28.31   Max.   :-16.5   Max.   :2371  

if (!empty_nodes) summary(df.cluster08)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 4.000   Min.   : 90.0   Min.   :-10.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 7.000   1st Qu.:209.0   1st Qu.:122.0   1st Qu.: 0.000   1st Qu.:0  
 Median : 9.000   Median :260.0   Median :161.0   Median : 2.000   Median :0  
 Mean   : 8.582   Mean   :256.3   Mean   :151.8   Mean   : 7.728   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:301.0   3rd Qu.:187.0   3rd Qu.:12.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :246.0   Max.   :57.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-6.949   Min.   :  1.00  
 1st Qu.: 0.00000   1st Qu.:36.50   1st Qu.:-6.332   1st Qu.: 19.00  
 Median : 0.00000   Median :36.83   Median :-5.600   Median : 32.00  
 Mean   : 0.01082   Mean   :36.89   Mean   :-5.337   Mean   : 67.77  
 3rd Qu.: 0.00000   3rd Qu.:37.26   3rd Qu.:-4.846   3rd Qu.: 87.00  
 Max.   :26.00000   Max.   :39.47   Max.   :-1.169   Max.   :582.00  

if (!empty_nodes) summary(df.cluster09)

   fecha_cnt           tmax          tmin           precip           nevada 
 Min.   : 1.000   Min.   : 87   Min.   : 64.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 3.000   1st Qu.:212   1st Qu.:150.0   1st Qu.: 0.000   1st Qu.:0  
 Median : 6.000   Median :233   Median :168.0   Median : 1.000   Median :0  
 Mean   : 6.484   Mean   :234   Mean   :169.4   Mean   : 6.189   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:259   3rd Qu.:196.0   3rd Qu.: 7.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356   Max.   :244.0   Max.   :89.000   Max.   :0  
   prof_nieve           longitud        latitud          altitud     
 Min.   :0.0000000   Min.   :27.82   Min.   :-17.89   Min.   : 14.0  
 1st Qu.:0.0000000   1st Qu.:28.05   1st Qu.:-16.56   1st Qu.: 25.0  
 Median :0.0000000   Median :28.46   Median :-16.26   Median : 33.0  
 Mean   :0.0003522   Mean   :28.38   Mean   :-15.95   Mean   :130.8  
 3rd Qu.:0.0000000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 64.0  
 Max.   :2.0000000   Max.   :28.95   Max.   :-13.60   Max.   :632.0  

if (!empty_nodes) summary(df.cluster10)

   fecha_cnt           tmax            tmin             precip          nevada 
 Min.   : 1.000   Min.   :-42.0   Min.   :-102.00   Min.   :102.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:112.0   1st Qu.:  48.00   1st Qu.:125.0   1st Qu.:0  
 Median :10.000   Median :133.0   Median :  71.00   Median :136.0   Median :0  
 Mean   : 7.084   Mean   :136.2   Mean   :  71.58   Mean   :148.9   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:159.5   3rd Qu.:  96.00   3rd Qu.:158.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   : 223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud    
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1  
 1st Qu.:  0.000   1st Qu.:41.48   1st Qu.: -8.624   1st Qu.:  87  
 Median :  0.000   Median :42.38   Median : -8.411   Median : 261  
 Mean   :  6.884   Mean   :41.32   Mean   : -6.189   Mean   : 475  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -3.825   3rd Qu.: 370  
 Max.   :892.000   Max.   :43.57   Max.   :  2.827   Max.   :2535  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.hist(df.cluster07)

if (!empty_nodes) mpr.hist(df.cluster08)

if (!empty_nodes) mpr.hist(df.cluster09)

if (!empty_nodes) mpr.hist(df.cluster10)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster07)

if (!empty_nodes) mpr.boxplot(df.cluster08)

if (!empty_nodes) mpr.boxplot(df.cluster09)

if (!empty_nodes) mpr.boxplot(df.cluster10)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
  df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
  df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)